en cualquier algoritmo hay un cierto número de umbrales y períodos que hay que ajustar para optimizar el rendimiento por datos históricos

asume que podemos hacer algún cambio en cada uno de esos valores, hacer una prueba de espalda y ver si es mejor que la anterior.   Entonces si lo es... podemos usar nuevos números; ligeros cambios del proceso de prueba mejorado y repetición indefinidamente usando el ROI como la función de costo de la red que estamos sintonizando.

en la optimización tradicional de enjambres de partículas; PSO llevamos un registro de cuánto hemos cambiado cada variable y mantenemos su velocidad para la siguiente iteración de pruebas de tal manera que cambiamos cada variable en la dirección en que estaba cambiando al mejorar.

en el enfoque cuántico; QPSO usamos la aleatorización; permitiendo que el enjambre "camine borracho".

entonces como algo realiza un ascenso en pendiente sobre el ROI en muchas iteraciones de 10k.... eventualmente llega a un máximo local

podemos asegurarnos de que estos máximos son máximos globales iniciando varias optimizaciones en paralelo con varias condiciones de arranque diferentes.

entonces, a medida que cada uno alcanza sus máximos locales... podemos "criarlos" intercambiando o transmitiendo los valores de cada "melodía".

luego repetir el proceso con otro PSO

de esta manera llegamos al "enjambre de partículas cuánticas de raza elitista" EBQPSO

un elemento adicional de la función "caminar en estado de embriaguez" es algo que podemos denominar "recocido simulado"; es decir.... a medida que la función de coste se acerca a un máximo.... y ya no estamos obteniendo mejoras en los resultados, entonces podemos hacer que el tamaño de los pasos de los borrachos caminen más pequeños; y podemos sintonizar más finamente con el máximo...

entonces tenemos "enjambre de partículas cuánticas de raza elitista con recocido simulado" EBQPSOSA

litepresence2019